Segmentação automática do parênquima pulmonar com MeVisLab

Descreve-se de seguida um método de segmentação automática do parênquima pulmonar, desenvolvido utilizando a plataforma modular MeVisLab. Esta estratégia de segmentação teve grande impacto para o desenvolvimento deste projeto de investigação, pelo que será a seguir descrita pormenorizadamente. Genericamente, esta abordagem utiliza a técnica de

Region Growing 3D e operadores morfológicos para a segmentação do parênquima

pulmonar, e ainda a Transformada de Watershed para a separação do pulmão esquerdo e direito (36).

2.5.2.2.1. Segmentação do espaço aéreo pulmonar

O primeiro passo desta abordagem consiste em analisar as imagens de TC torácica para localizar o espaço aéreo pulmonar, com intuito de segmentar esta mesma região com recurso ao método de Region Growing baseado em threshold fixo (36) (-1024 a -400 UH) (4). A segmentação inicia-se com a colocação de um “seed point” no espaço aéreo pulmonar, sendo que a colocação de apenas um “seed point” revela ser suficiente, uma vez que as vias aéreas de ambos os pulmões estão interligadas na carina (23). Assim, obtém-se uma máscara preliminar do espaço aéreo pulmonar, que contém quer o pulmão esquerdo, o pulmão direito mas também a árvore traqueobrônquica (Figura 15) (36).

37

2.5.2.2.2. Segmentação das vias aéreas

No entanto, um dos obstáculos é a construção de duas máscaras distintas para cada um dos pulmões, uma vez que estas estruturas estão em contato direto, exibindo apenas uma superfície de contato muito fina, reduzida ainda pelos efeitos de volume parcial, cuja densidade é inferior ao limite superior de threshold de -400 HU escolhido para a segmentação inicial do parênquima pulmonar (4). Para a separação destes órgãos é necessário efetuar a segmentação das vias áreas (36). A segmentação das vias aéreas é concebida também através da técnica de Region Growing, mas agora baseada em threshold adaptativo, iniciando-se com a colocação de um “seed point” na traqueia (Figura 16) (36). Posteriormente, aplica-se um conjunto de operadores morfológicos para colmatar as lacunas da máscara gerada, e assim impedir que estas interfiram com o resultado final da segmentação do parênquima pulmonar (36).

Esta segmentação revela ser extremamente útil na separação pulmonar, bloqueando a conexão entre os pulmões através das vias aéreas (23). Além disso, a segmentação das vias aéreas permite obter uma análise quantitativa do parênquima, com base na densidade, mais precisa, pois o lúmen dos brônquios principais possui uma densidade similar à densidade de uma bolha enfisematosa (23).

A

B

Figura 15 - Imagem A - volume de dados da TC torácica e Imagem B - resultado da segmentação do espaço aéreo pulmonar, através da aplicação do método de Region Growing baseado em threshold fixo. Retirada de (36).

38 A conexão das vias aéreas é o único obstáculo para a separação dos pulmões, particularmente em pacientes com enfisema severo em que ambos os pulmões estão hiperinsuflados, causando contato imediato do pulmão direito e esquerdo no mediastino (Figura 17) (23).

2.5.2.2.3. Separação pulmonar

Para a separação da máscara pulmonar gerada inicialmente, os dados originais são submetidos a um downsampling, para reduzir o tempo de processamento (36). Usando então Figura 16 - Resultado da segmentação das vias aéreas, através da aplicação de um Region Growing baseado em threshold adaptativo. Retirada de (36).

Figura 17 - Ilustração típica de um paciente com pulmões hiperinsuflados e que por isso, estão em contato direto. Retirada de (23).

39 a máscara das vias aéreas para bloquear a passagem através dos brônquios principais, os pulmões são separados utilizando a Transformada de Watershed (Figura 18), em conjunto com um filtro morfológico closing com o objetivo de incluir os vasos sanguíneos pulmonares de maior dimensão e as patologias pulmonares de elevada densidade (Figura 19) (36). Este último passo de pós processamento é concluído com a utilização do algoritmo rolling ball 3D (23).

2.5.2.2.4. Limitações

Apesar desta estratégia de segmentação ter sido desenvolvida e testada em dados clínicos, existem determinadas situações relativas à condição clínica do paciente ou ao processo de aquisição dos dados que limitam a aplicabilidade e a eficácia dos algoritmos descritos (23). Do ponto de vista da condição clínica do paciente, alguns exemplos destas limitações são a presença de condições patológicas de elevada densidade, nomeadamente os derrames pleurais, lesões tumorais e fibrose severa, uma vez que estas não são englobadas no processo de segmentação pulmonar (Figura 20) (23). Relativamente ao processo de aquisição dos dados, as limitações estão relacionadas com a resolução dos mesmos (23). Os algoritmos,

Figura 19 - Ilustração da aplicação dos operadores morfológicos para englobar a vasculatura pulmonar e eliminar as lacunas na máscara pulmonar gerada. Retirada de (36).

Figura 18 - Ilustração da separação pulmonar, obtendo-se isoladamente o pulmão esquerdo e o pulmão direito. Retirada de (36).

40 apesar de não requererem dados de elevada resolução, mostraram resultados de segmentação mais robustos para dados com resolução de 0.8x0.8x5.0mm, ao invés de dados com 10 ou 15 mm de resolução, em que a segmentação das vias aéreas ou a separação pulmonar pode falhar, devido à falta de coerência nos dados 3D (23).

Figura 20 - Exemplos de pulmões com derrame pleural, lesão tumoral e fibrose, respetivamente. Adaptada de (23).

41

CAPÍTULO 3

O presente projeto de investigação foi desenvolvido tendo em consideração dois objetivos. O primeiro e principal objetivo consistiu no desenvolvimento de uma rede de processamento e análise de imagem, utilizando a plataforma MeVisLab, para a segmentação automática da AB, esquerda e direita, e do parênquima pulmonar, esquerdo e direito, em exames de TC pulmonar. Esta rede de segmentação combina alguns dos métodos de segmentação já descritos anteriormente na secção 2.5.2, nomeadamente o método de Region

Growing 3D, o método baseado no registo, e alguns algoritmos de pré e pós processamento

para aperfeiçoar o resultado final da segmentação.

A conceção desta abordagem de segmentação possibilitou a extração de um conjunto de parâmetros quantitativos, nomeadamente o valor médio de densidade e o volume, permitindo assim responder também à questão de investigação inicialmente colocada: “Qual o impacto

do tratamento de fisioterapia respiratória nas características (densidade e volume) da AB e do parênquima pulmonar em pacientes com pneumonia?”. Deste modo, o segundo

objetivo deste estudo de investigação consistiu em averiguar se existem diferenças significativas nas caraterísticas da AB e do parênquima pulmonar, entre os pacientes submetidos a fisioterapia respiratória (grupo experimental) e os pacientes não submetidos a esta abordagem terapêutica (grupo de controlo).

Neste capítulo será definida toda a Metodologia do projeto de investigação, que contempla o desenho do estudo, a amostra utilizada e os instrumentos de medida.